如何利用 VGG19 实现 insightface 人脸识别？

• 前言

我们知道 VGGNet 探索了卷积神经网络的深度与其性能之间的关系，成功地构筑了 16~19 层深的卷积神经网络，证明了增加网络的深度能够在一定程度上影响网络最终的性能，使错误率大幅下降，同时拓展性又很强，迁移到其它图片数据上的泛化性也非常好。但是到目前为止，VGG 仍然被用来提取图像特征。 VGGNet 可以看成是加深版本的 AlexNet，都是由卷积层、全连接层两大部分构成。

• 浅谈实现原理

VGG 使用多个较小卷积核（3x3）的卷积层代替一个卷积核较大的卷积层，一方面可以减少参数，另一方面相当于进行了更多的非线性映射，可以增加网络的拟合/表达能力。小卷积核是 VGG 的一个重要特点，虽然 VGG 是在模仿 AlexNet 的网络结构，但没有采用 AlexNet 中比较大的卷积核尺寸（如 7x7），而是通过降低卷积核的大小（3x3），增加卷积子层数来达到同样的性能（VGG：从 1 到 4 卷积子层，AlexNet：1 子层）。众所周知，VGG 是一个良好的特征提取器，其与训练好的模型也经常被用来做其他事情，比如计算 perceptual loss(风格迁移和超分辨率任务中)，尽管现在 resnet 和 inception 网络等等具有很高的精度和更加简便的网络结构，但是在特征提取上，VGG 一直是一个很好的网络。VGG 之所以是一个很好的特征提取器，除了和它的网络结构有关，我认为还和它的训练方式有关系，VGG 并不是直接训练完成的，它使用了逐层训练的方法。

• 具体实验

采用国际官方数据集亚洲人脸数据集，训练集与测试集：

Asian-Celeb 93,979 ids/2,830,146 aligned images.

验证集：

AgeDB-30 (570 ids/12,240 images/6K pairs)；CFP-FP (500 ids/7K images/7K pairs)；LFW (5749 ids/13233 images/6K pairs)。

构建 IR-SE50 网络框架

对比 consineFace，ArcFac 在训练前期对 margin 的惩罚比 consineFace 更大，而到最后 ArcFace 收敛的角度区间位置比 ConsineFace 更小，这样可以让收敛的更好一些。

在表情识别上采用的网络 VGG19 结构，训练使用的是 fer2013 表情数据集。Fer2013 人脸表情数据集由 35886 张人脸表情图片组成，其中，测试图（Training）28708 张，公共验证图（PublicTest）和私有验证图（PrivateTest）各 3589 张，每张图片是由大小固定为 48×48 的灰度图像组成，共有 7 种表情，分别对应于数字标签 0-6，具体表情对应的标签和中英文如下：0 anger 生气； 1 disgust 厌恶； 2 fear 恐惧； 3 happy 开心； 4 sad 伤心；5 surprised 惊讶； 6 neutral 中性。详细网络结构如下图所示。

• 小结：

数据集虽然是公开的比较权威的数据，但是在使用过程中仍然有瑕疵，因为数据集本身对表情的分类并不明显，人工标注有些许粗糙，还有其他一些不标准的图片，人脸不全，表情不符合等等，所以会有正常的误差，这点不需要太过于纠结。